Nadat de beelden, of andere hoog-dimensionele data, getransformeerd werden via feature extractie en feature transformatie, wordt gestart met het selecteren van het algoritme. Trendskout voert dit, net zoals bij de andere AI en Deep Learning toepassingen, autonoom uit. Binnen de familie van neurale netwerken, het achterliggende algoritme dus, zijn er tal van verschillende subtypes met elk hun eigen set parameters; het aantal neuronen, het aantal lagen van neuronen, hoe de informatie tussen neuronen wordt verwerkt en nog tal van anderen. Dit maakt ook hier dat een oneindig aantal configuraties mogelijk zijn waarvan maar enkele een optimaal resultaat opleveren, bijvoorbeeld op een correcte manier een object in een beeld of data kunnen herkennen. Trendskout voert deze hypertuning uit in wisselwerking met feature transformatie en feature extractie. Met andere woorden, via doorgedreven Deep Learning technieken kan Trendskout zelf de optimale databewerking, feature extractie – en transformatie, vinden en uitvoeren en het best presterende algoritme en bijhorende parameterconfiguratie opstellen. Het gecombineerde proces van databewerking, algoritme-selectie en hypertuning levert een optimaal model op dat de gewenste beeldherkenning of patroondetectie kan toepassen op nieuwe data in de volgende stap.